[파이썬] PyTorch 이미지 분류 모델 구축

07 Sep 2023

PyTorch

이미지 분류는 컴퓨터 비전 분야에서 가장 널리 사용되는 작업 중 하나입니다. 이를 위해 딥 러닝 프레임워크인 PyTorch를 사용하여 이미지 분류 모델을 구축하는 방법을 알아보겠습니다.

데이터셋 불러오기

먼저, torchvision 패키지를 사용하여 데이터셋을 불러옵니다. 예제로는 CIFAR-10 데이터셋을 사용해보도록 하겠습니다. CIFAR-10은 10개의 클래스로 구성된 60000개의 32x32 컬러 이미지로 이루어져 있습니다.

import torch
import torchvision
import torchvision.transforms as transforms

# 데이터셋 불러오기
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                         shuffle=False, num_workers=2)

classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

신경망 정의하기

다음으로, 이미지 분류를 위한 신경망을 정의해야 합니다. 여기서는 간단한 컨볼루션 신경망을 사용하겠습니다.

import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()

손실 함수와 옵티마이저 정의하기

모델을 훈련시키기 전에 손실 함수와 옵티마이저를 정의해야 합니다. 여기서는 CrossEntropyLoss를 사용하고, 옵티마이저로는 SGD를 사용해보도록 하겠습니다.

import torch.optim as optim

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

모델 훈련하기

이제 정의한 모델을 실제로 훈련해보겠습니다. 훈련은 일반적으로 데이터셋을 여러 번 반복하면서 수행됩니다.

for epoch in range(10):  # 데이터셋을 여러 번 반복하기 위해 10번 반복합니다.

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # 입력 데이터 가져오기
        inputs, labels = data

        # 변화도 매개변수를 0으로 만들기
        optimizer.zero_grad()

        # 순전파 + 역전파 + 최적화
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # 통계 출력
        running_loss += loss.item()
        if i % 2000 == 1999:    # 미니배치마다 출력
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

모델 평가하기

훈련이 끝나면 모델을 평가해보겠습니다. 이를 위해 테스트 데이터셋을 이용하여 모델이 얼마나 정확하게 예측하는지 확인합니다.

correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)  # 가장 높은 확률 값을 가진 클래스 선택
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

위의 코드는 PyTorch를 사용하여 이미지 분류 모델을 구축하는 간단한 예제입니다. 이를 활용하여 다양한 이미지 분류 작업을 수행할 수 있습니다.